การระบุจุดสังเกตด้วย Amazon Rekognition Custom Labels

ความหมายของ Amazon เป็นบริการการมองเห็นด้วยคอมพิวเตอร์ที่ทำให้การเพิ่มการวิเคราะห์ภาพและวิดีโอไปยังแอปพลิเคชันของคุณเป็นเรื่องง่าย โดยใช้เทคโนโลยีการเรียนรู้เชิงลึกที่ได้รับการพิสูจน์แล้ว ปรับขนาดได้สูง และไม่ต้องการความเชี่ยวชาญด้านแมชชีนเลิร์นนิง (ML) ด้วย Amazon Rekognition คุณสามารถระบุวัตถุ ผู้คน ข้อความ ฉาก และกิจกรรมในภาพและวิดีโอ และตรวจจับเนื้อหาที่ไม่เหมาะสมได้ Amazon Rekognition ยังมอบความสามารถในการวิเคราะห์ใบหน้าและการค้นหาใบหน้าที่มีความแม่นยำสูง ซึ่งคุณสามารถใช้เพื่อตรวจจับ วิเคราะห์ และเปรียบเทียบใบหน้าสำหรับกรณีการใช้งานที่หลากหลาย

ป้ายกำกับที่กำหนดเองของ Amazon Rekognition เป็นคุณสมบัติของ Amazon Rekognition ที่ทำให้ง่ายต่อการสร้างความสามารถในการวิเคราะห์ภาพแบบ ML เฉพาะทางของคุณเอง เพื่อตรวจหาวัตถุและฉากที่ไม่ซ้ำใครซึ่งรวมเข้ากับกรณีการใช้งานเฉพาะของคุณ

กรณีการใช้งานทั่วไปของ Rekognition Custom Labels ได้แก่ การค้นหาโลโก้ของคุณในโพสต์โซเชียลมีเดีย การระบุผลิตภัณฑ์ของคุณบนชั้นวางของร้านค้า การจำแนกประเภทชิ้นส่วนเครื่องจักรในสายการประกอบ การแยกแยะระหว่างพืชที่แข็งแรงและติดเชื้อ และอื่นๆ

ป้ายกำกับการรับรู้ของ Amazon รองรับสถานที่สำคัญยอดนิยม เช่น สะพานบรูคลิน โคลอสเซียม หอไอเฟล มาชูปิกชู ทัชมาฮาล, และอื่น ๆ. หากคุณมีจุดสังเกตหรืออาคารอื่นๆ ที่ Amazon Rekognition ยังไม่รองรับ คุณยังคงสามารถใช้ Amazon Rekognition Custom Labels ได้

ในโพสต์นี้ เราสาธิตการใช้ Rekognition Custom Labels เพื่อตรวจจับอาคาร Amazon Spheres ในซีแอตเทิล

ด้วย Rekognition Custom Labels AWS จะดูแลการยกที่หนักสำหรับคุณ Rekognition Custom Labels ต่อยอดจากความสามารถที่มีอยู่ของ Amazon Rekognition ซึ่งได้รับการฝึกฝนมาแล้วกับภาพหลายสิบล้านภาพในหลายหมวดหมู่ แทนที่จะใช้รูปภาพเป็นพันๆ รูป คุณเพียงต้องอัปโหลดรูปภาพการฝึกอบรมชุดเล็กๆ (โดยทั่วไปคือไม่กี่ร้อยรูปภาพหรือน้อยกว่า) ที่เฉพาะเจาะจงกับกรณีการใช้งานของคุณผ่านคอนโซลที่ไม่ซับซ้อนของเรา Amazon Rekognition สามารถเริ่มการฝึกอบรมได้ในไม่กี่คลิก หลังจากที่ Amazon Rekognition เริ่มฝึกจากชุดรูปภาพของคุณแล้ว ก็จะสามารถสร้างโมเดลการวิเคราะห์รูปภาพแบบกำหนดเองให้คุณได้ภายในไม่กี่นาทีหรือหลายชั่วโมง เบื้องหลัง Rekognition Custom Labels จะโหลดและตรวจสอบข้อมูลการฝึกโดยอัตโนมัติ เลือกอัลกอริทึม ML ที่เหมาะสม ฝึกโมเดล และให้เมตริกประสิทธิภาพของโมเดล จากนั้น คุณสามารถใช้โมเดลที่กำหนดเองของคุณผ่าน Rekognition Custom Labels API และรวมเข้ากับแอปพลิเคชันของคุณ

ภาพรวมโซลูชัน

ตัวอย่างเช่น เราใช้ the อเมซอน สเฟียร์ สร้างในซีแอตเติล เราฝึกโมเดลโดยใช้ Rekognition Custom Labels; เมื่อใดก็ตามที่มีการใช้รูปภาพที่คล้ายกัน อัลกอริทึมควรระบุว่าเป็น Amazon Spheres แทน Dome, Architecture, Glass buildingหรือฉลากอื่นๆ

อันดับแรก เรามาแสดงตัวอย่างการใช้คุณสมบัติการตรวจหาฉลากของ Amazon Rekognition ซึ่งเราป้อนอิมเมจของ Amazon Spheres โดยไม่มีการฝึกอบรมแบบกำหนดเอง เราใช้คอนโซล Amazon Rekognition เพื่อเปิดการสาธิตการตรวจหาฉลากและอัปโหลดรูปภาพของเรา

หลังจากอัปโหลดและวิเคราะห์รูปภาพแล้ว เราจะเห็นป้ายกำกับที่มีคะแนนความเชื่อมั่นอยู่ใต้ ผลสอบ. ในกรณีนี้, Dome ตรวจพบด้วยคะแนนความเชื่อมั่น 99.2% Architecture ด้วย 99.2% Building ด้วย 99.2% Metropolis 79.4% เป็นต้น

เราต้องการใช้การติดฉลากแบบกำหนดเองเพื่อสร้างโมเดลการมองเห็นด้วยคอมพิวเตอร์ที่สามารถติดฉลากรูปภาพได้ Amazon Spheres.

ในส่วนต่อไปนี้ เราจะแนะนำคุณเกี่ยวกับการเตรียมชุดข้อมูล การสร้างโครงการ Rekognition Custom Labels การฝึกโมเดล การประเมินผลลัพธ์ และการทดสอบด้วยรูปภาพเพิ่มเติม

เบื้องต้น

ก่อนเริ่มขั้นตอนมี โควต้า สำหรับ Rekognition Custom Labels ที่คุณต้องระวัง หากต้องการเปลี่ยนแปลงขีดจำกัด คุณสามารถขอ ก การเพิ่มวงเงินบริการ.

สร้างชุดข้อมูลของคุณ

หากนี่เป็นครั้งแรกที่คุณใช้ Rekognition Custom Labels คุณจะได้รับแจ้งให้สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่ฝากข้อมูล (Amazon S3) เพื่อจัดเก็บชุดข้อมูลของคุณ

สำหรับการสาธิตบล็อกนี้ เราใช้รูปภาพของ Amazon Spheres ซึ่งเราถ่ายได้ในขณะที่เราไปเยี่ยมชมเมืองซีแอตเทิล รัฐวอชิงตัน ใช้ภาพของคุณเองได้ตามต้องการ

คัดลอกชุดข้อมูลของคุณไปยังบัคเก็ตที่สร้างขึ้นใหม่ ซึ่งจะเก็บรูปภาพของคุณไว้ในคำนำหน้าที่เกี่ยวข้อง

สร้างโครงการ

หากต้องการสร้างโปรเจ็กต์ Rekognition Custom Labels ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Rekognition Custom Labels เลือก สร้างโครงการ.
2. สำหรับ ชื่อโครงการ, ป้อนชื่อ
3. Choose สร้างโครงการ.
   
   ตอนนี้ เราระบุการกำหนดค่าและเส้นทางของชุดข้อมูลการฝึกอบรมและการทดสอบของคุณ
4. Choose สร้างชุดข้อมูล.
   

คุณสามารถเริ่มต้นด้วยโครงการที่มีชุดข้อมูลเดียว หรือโครงการที่มีชุดข้อมูลการฝึกอบรมและการทดสอบแยกกัน หากคุณเริ่มต้นด้วยชุดข้อมูลเดียว Rekognition Custom Labels จะแยกชุดข้อมูลของคุณระหว่างการฝึกอบรมเพื่อสร้างชุดข้อมูลการฝึกอบรม (80%) และชุดข้อมูลทดสอบ (20%) สำหรับโครงการของคุณ

นอกจากนี้ คุณสามารถสร้างการฝึกอบรมและทดสอบชุดข้อมูลสำหรับโครงการโดยการนำเข้ารูปภาพจากตำแหน่งใดตำแหน่งหนึ่งต่อไปนี้:

สำหรับโพสต์นี้ เราใช้ชุดข้อมูล Amazon Spheres ที่เรากำหนดเอง

1. เลือก เริ่มต้นด้วยชุดข้อมูลเดียว.
2. เลือก นำเข้ารูปภาพจากที่เก็บข้อมูล S3.
   
3. สำหรับ S3 URIป้อนเส้นทางไปยังบัคเก็ต S3 ของคุณ
4. หากคุณต้องการให้ Rekognition Custom Labels ติดป้ายกำกับภาพให้คุณโดยอัตโนมัติตามชื่อโฟลเดอร์ในบัคเก็ต S3 ของคุณ ให้เลือก กำหนดป้ายกำกับระดับรูปภาพให้กับรูปภาพโดยอัตโนมัติตามชื่อโฟลเดอร์.
   
5. Choose สร้างชุดข้อมูล.

หน้าจะเปิดขึ้นเพื่อแสดงรูปภาพพร้อมป้ายกำกับ หากคุณเห็นข้อผิดพลาดใดๆ ในฉลาก โปรดดูที่ การดีบักชุดข้อมูล.

ฝึกโมเดล

หลังจากที่คุณตรวจสอบชุดข้อมูลของคุณแล้ว ตอนนี้คุณสามารถฝึกโมเดลได้

1. Choose โมเดลรถไฟ.
2. สำหรับ เลือกโครงการให้ป้อน ARN สำหรับโครงการของคุณหากยังไม่ได้ระบุไว้
3. Choose โมเดลรถไฟ.

ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร Models ของหน้าโครงการ คุณสามารถตรวจสอบสถานะปัจจุบันได้ใน สถานะของโมเดล คอลัมน์ที่กำลังดำเนินการฝึกอบรม โดยทั่วไป เวลาการฝึกจะใช้เวลา 30 นาทีถึง 24 ชั่วโมงจึงจะเสร็จสมบูรณ์ ทั้งนี้ขึ้นอยู่กับปัจจัยหลายอย่าง เช่น จำนวนภาพและจำนวนป้ายกำกับในชุดการฝึก และประเภทของอัลกอริทึม ML ที่ใช้ในการฝึกโมเดลของคุณ

เมื่อการฝึกโมเดลเสร็จสิ้น คุณจะเห็นสถานะโมเดลเป็น TRAINING_COMPLETED. หากการฝึกอบรมล้มเหลว ให้ดูที่ การดีบักการฝึกโมเดลที่ล้มเหลว.

ประเมินแบบจำลอง

เปิดหน้ารายละเอียดรุ่น เดอะ การประเมินผล แท็บแสดงเมตริกสำหรับแต่ละป้ายกำกับ และเมตริกเฉลี่ยสำหรับชุดข้อมูลการทดสอบทั้งหมด

คอนโซล Rekognition Custom Labels มีเมตริกต่อไปนี้เป็นข้อมูลสรุปของผลการฝึกอบรมและเป็นเมตริกสำหรับแต่ละป้ายกำกับ:

คุณสามารถดูผลลัพธ์ของโมเดลที่ผ่านการฝึกอบรมสำหรับแต่ละภาพ ดังที่แสดงในภาพหน้าจอต่อไปนี้

ทดสอบโมเดล

เมื่อเราดูผลการประเมินแล้ว เราก็พร้อมที่จะเริ่มสร้างแบบจำลองและวิเคราะห์ภาพใหม่

คุณสามารถเริ่มโมเดลได้ที่ ใช้โมเดล แท็บบนคอนโซล Rekognition Custom Labels หรือโดยการใช้ เริ่มเวอร์ชันโครงการ ดำเนินการผ่านทาง อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือ Python SDK

เมื่อโมเดลทำงาน เราสามารถวิเคราะห์ภาพใหม่โดยใช้ปุ่ม ตรวจหา CustomLabels เอพีไอ ผลจาก DetectCustomLabels เป็นการคาดคะเนว่าภาพมีวัตถุ ฉาก หรือแนวคิดเฉพาะ ดูรหัสต่อไปนี้:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

ในผลลัพธ์ คุณจะเห็นฉลากพร้อมคะแนนความเชื่อมั่น:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

ดังที่คุณเห็นจากผลลัพธ์ เพียงคลิกไม่กี่ครั้ง คุณก็สามารถใช้ Rekognition Custom Labels เพื่อให้ได้ผลลัพธ์การติดฉลากที่แม่นยำ คุณสามารถใช้สิ่งนี้กับกรณีการใช้ภาพได้หลากหลาย เช่น การระบุฉลากแบบกำหนดเองสำหรับผลิตภัณฑ์อาหาร สัตว์เลี้ยง ชิ้นส่วนเครื่องจักร และอื่นๆ

ทำความสะอาด

หากต้องการล้างข้อมูลทรัพยากรที่คุณสร้างขึ้นโดยเป็นส่วนหนึ่งของโพสต์นี้ และหลีกเลี่ยงค่าใช้จ่ายที่อาจเกิดขึ้นซ้ำ ให้ทำตามขั้นตอนต่อไปนี้:

1. เกี่ยวกับ ใช้โมเดล แท็บ หยุดโมเดล.
   หรือคุณสามารถหยุดโมเดลโดยใช้ปุ่ม หยุดเวอร์ชันโครงการ ดำเนินการผ่าน AWS CLI หรือ Python SDK รอจนกว่าโมเดลจะอยู่ใน Stopped ก่อนดำเนินการต่อในขั้นต่อไป
2. ลบโมเดล.
3. ลบโครงการ.
4. ลบชุดข้อมูล.
5. ว่างเปล่า เนื้อหาบัคเก็ต S3 และ ลบ ถัง

สรุป

ในโพสต์นี้ เราได้แสดงวิธีใช้ Rekognition Custom Labels เพื่อตรวจหาภาพอาคาร

คุณสามารถเริ่มต้นด้วยชุดข้อมูลรูปภาพที่กำหนดเอง และด้วยการคลิกง่ายๆ เพียงไม่กี่ครั้งบนคอนโซล Rekognition Custom Labels คุณสามารถฝึกโมเดลและตรวจจับวัตถุในรูปภาพได้ Rekognition Custom Labels สามารถโหลดและตรวจสอบข้อมูลโดยอัตโนมัติ เลือกอัลกอริทึม ML ที่เหมาะสม ฝึกโมเดล และให้เมตริกประสิทธิภาพของโมเดล คุณสามารถตรวจสอบเมตริกประสิทธิภาพโดยละเอียด เช่น ความแม่นยำ การเรียกคืน คะแนน F1 และคะแนนความมั่นใจ

วันนี้มาถึงแล้วที่ตอนนี้เราสามารถระบุอาคารยอดนิยม เช่น ตึกเอ็มไพร์สเตตในนิวยอร์กซิตี้ ทัชมาฮาลในอินเดีย และอื่นๆ อีกมากมายทั่วโลกที่ติดป้ายไว้ล่วงหน้าและพร้อมใช้งานสำหรับข้อมูลอัจฉริยะในแอปพลิเคชันของคุณ แต่ถ้าคุณมีจุดสังเกตอื่นๆ ที่ Amazon Rekognition Labels ยังไม่รองรับ ไม่ต้องมองหาที่ไหนอีกแล้วลองใช้ Amazon Rekognition Custom Labels

สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการใช้ป้ายกำกับที่กำหนดเอง โปรดดูที่ ป้ายกำกับที่กำหนดเองของ Amazon Rekognition คืออะไร นอกจากนี้โปรดไปที่ไฟล์ repo GitHub สำหรับเวิร์กโฟลว์แบบ end-to-end ของการตรวจจับแบรนด์แบบกำหนดเองของ Amazon Rekognition

เกี่ยวกับผู้แต่ง:

สุเรศ ปัทนาม เป็นหัวหน้า BDM – GTM AI/ML Leader ที่ AWS เขาทำงานร่วมกับลูกค้าเพื่อสร้างกลยุทธ์ด้านไอที ทำให้การแปลงทางดิจิทัลผ่านระบบคลาวด์สามารถเข้าถึงได้มากขึ้นโดยใช้ประโยชน์จาก Data & AI/ML ในเวลาว่าง Suresh ชอบเล่นเทนนิสและใช้เวลากับครอบครัว

กระต่าย Kaushik เป็นสถาปนิกโซลูชันที่ AWS เขามีความกระตือรือร้นในการสร้างโซลูชัน AI/ML บน AWS และช่วยลูกค้าสร้างนวัตกรรมบนแพลตฟอร์ม AWS นอกเวลางาน เขาชอบไปปีนเขา ปีนเขา และว่ายน้ำ